BERBAGAI ALTERNATIF MODEL PREDIKSI KEBANGKRUTAN Rindu Rika Gamayuni
ABSTRACT
There are two ways of prediction broke or not broke. From number of research that occurred related with broke prediction, can be devided to two big groups, which are: (1) statistic analysis technique, such as linier regression, discriminant analysis, (2) computer base analysis, such as trait recognition, fuzzy system, etc.
In prediction of company bangkruptcy, researcher use one of prediction methods to proved accuracy level as the prediction instrument of company’s bangkruptcy. Partial research compares accuracy level of prediction among the analysis model. The company does not conclude yet, whether there is a prediction model that best suit the measurement. This cause by: (1) every model have its own superiority and weakness, (2) the company sample characteristic differences (company sector, company size) also influence the choice of prediction model being used, (3) the company financial ratio as independent variable used in bangkruptcy prediction analysis are various and also different in the characteristic between any country.
Key words: bangkruptcy, accuracy model, prediction
I. PENDAHULUAN
regresi logit, analisis diskriminan, dan trait recognition, dan masih banyak lagi penelitian prediksi kebangkrutan lainnya.
Kebangkrutan adalah kesulitan keuangan yang sangat parah sehingga perusahaan tidak mampu untuk menjalankan operasi perusahaan dengan baik. Sedangkan kesulitan keuangan (financial distress) adalah kesulitan keuangan atau likuiditas yang mungkin sebagai awal kebangkrutan. Analisis kesulitan keuangan akan sangat membantu pembuat keputusan untuk menentukan sikap terhadap perusahaan yang mengalami kesulitan keuangan. Oleh karena itu, perlu dicari model tentang petunjuk adanya perusahaan yang mengalami kesulitan keuangan dan mungkin mengalami kebangkrutan. Adapun pihak-pihak yang berkepentingan untuk mengetahui model kesulitan keuangan dan diprediksikan akan mengalami kebangkrutan adalah sebagai berikut: Kreditur (lenders): untuk mengambil keputusan apakah akan memberikan pinjaman dengan syarat-syarat tertentu atau merancang kebijaksanaan untuk memonitor pinjaman yang telah ada, investor: membantu menentukan sikap terhadap surat-surat berharga (debt securities) yang dikeluarkan oleh suatu perusahaan, otoritas Pembuat Peraturan (Regulatory Authorities): seperti ikatan akuntan, badan pengawas pasar modal atau institusi lainnya, membantu untuk mengeluarkan peraturan-peraturan yang bisa melindungi kepentingan masyarakat, pemerintah: untuk melindungi tenaga kerja, industri, dan masyarakat, melindungi masyarakat dari kerugian dan kemungkinan mengganggu stabilitas ekonomi dan politik negara, Auditor: agar dapat melakukan audit dan memberikan pendapat terhadap laporan keuangan perusahaan dengan lebih baik, manajemen: agar dapat mengambil keputusan penting yang terbaik bagi perusahaan.
atau formula apakah yang paling akurat dalam memprediksi kebangkrutan perusahaan di Indonesia, sesuai dengan jenis dan karakteristik perusahaan.
Ada dua macam arah prediksi yaitu bangkrut atau tidak bangkrut. Dari sejumlah penelitian yang telah dilakukan sehubungan dengan prediksi kebangkrutan, dapat dibagi menjadi dua kelompok besar. Kelompok pertama adalah model prediksi kebangkrutan menggunakan tehnik statistik: analisis regresi, analisis korelasi, analisis diskriminan, model regresi logit, model probit. Kelompok kedua adalah tehnik kemampuan komputer, seperti: decision trees, trait recognition, artificial neural networks (ANN), support vector machines (SVM), dan lain-lain. Sebagian besar peneliti membandingkan kinerja atau ketepatan prediksi antara salah satu tehnik dengan tehnik yang lain, dengan menggunakan suatu set data. Misalnya penelitian yang dilakukan oleh Thomaidis et al. (1998), Angelina (2002), Berg (2005), Brahmana (2005), Hsieh et al. (2006). Namun dari berbagai penelitian tersebut tidak dapat ditarik kesimpulan bahwa terdapat suatu tehnik yang secara konsisten lebih baik dibandingkan dengan tehnik lainnya dalam memprediksi kebangkrutan.
II. PEMBAHASAN
II.1 Macam-macam model prediksi kebangkrutan
Model prediksi kebangkrutan dipelopori oleh Beaver (1966). Beaver mengidentifikasikan 30 rasio yang dianggap mewakili berbagai aspek yang relevan. Tehnik analisis yang digunakan adalah univariate discriminant analysis
yang diterapkan pada 79 perusahaan bangkrut dan 79 perusahaan tidak bangkrut. Hasil penelitian tersebut membuktikan bahwa rasio terbaik untuk mendiskriminasi adalah working capital funds flow/total assets dan net income/total assets, dengan tingkat keakuratan 90% dan 88%. Penelitian Beaver (1966) dilanjutkan oleh Edward Altman (1968). Model Altman (1968) dikembangkan lagi oleh Altman pada tahun 1984. Selanjutnya banyak penelitian dilakukan untuk memprediksi kebangkrutan di berbagai negara, yang secara keseluruhan dapat dikelompokkan menjadi 2 teknik analisis, yaitu teknik analisis statistik (linier regresi, regresi logit, analisis diskriminan), dan teknik analisis berbasis komputer ( artificial neural network, trait recognation, fuzzy logit, dan lain-lain). Adapula yang penelitian yang menggabungkan antara teknik statistik dan teknik berbasis komputer, untuk mendapatkan hasil prediksi kebangkrutan yang terbaik, seperti penelitian yang dilakukan oleh Thomaidis et al. (1998), Hsieh et al. (2006).
2.1.2 Model Discriminant Analysis
2.1.2.1 Altman’s Model
Pada awalnya Altman memiliki sampel 66 perusahaan manufaktur yang terdiri dari 35 perusahaan yang bangkrut dan 35 perusahaan yang tidak bangkrut. Selanjutnya dipilih pula 22 variabel (ratio) yang potensial untuk dievaluasi yang dikelompokkan ke dalam 5 kelompok, yaitu liquidity, profitability, leverage, solvency, dan activity. Dari 22 variabel tersebut kemudian dipilih 5 variabel yang merupakan kombinasi terbaik untuk memprediksi kebangkrutan. Dari sampel perusahaan dan kelima ratio tersebut terbentuklah fungsi diskriminan yang juga disebut Altman Z-Score sebagai berikut:
Z = 0,012X1 + 0,014X2 + 0,033X3 + 0,006X4 + 0,999X5 Dengan keterangan sebagai berikut:
Z = over all index
X1 = working capital/total asset X2 = retained earning/total asset
X3 = earning before interest and taxes/total asset X4 = market value equity/book value of total liabilities X5 = sales/total asset
Nilai cut-off : Z < 1,81 bangkrut 1,81 <Z< 3 grey area
Z > 3 tidak bangkrut
Mengingat bahwa tidak semua perusahaan melakukan go public dan tidak memiliki nilai pasar, maka tahun 1984, Altman melakukan penelitian kembali di berbagai negara. Penelitian ini memasukkan dimensi internasional. Formula yang dihasilkan adalah untuk perusahaan yang tidak go public (privat manufacturer companies) dan (private general firm atau private non manufacturting company)
sebagai berikut:
Public companies: 1.2*X1 + 1.4*X2 + 3.3*X3 + 0.6*X4 + 1.0*X5
Private companies: 0.717*X1 + 0.847*X2 + 3.107*X3 + 0.420*X4+0.998*X5
Non-manufacturing companies: 6.56*X1 + 3.26*X2 + 6.72*X3 + 1.05*X4
Analisa Z-score Altman, terbagi menjadi 3 kategori. Hasil analisa ditentukan dengan nilai cut off sebagai berikut:
1. Original Z-Score [For Public Manufacturer]
Z < 1,81 bangkrut 1,81 <Z< 3 grey area
Z > 3 tidak bangkrut
2. Model A Z'-Score [For Private Manufacturer]
Z < 1,23 bangkrut 1,23 <Z< 2,9 grey area
Z > 2,9 tidak bangkrut
3. Model B Z'-Score [For Private General Firm]
Z < 1,1 bangkrut 1,1 <Z< 2,6 grey area
Z > 2,6 tidak bangkrut
pada keseluruhan sampel seluruh perusahaan bangkrut dan perusahaan tidak bangkrut. Uji reliabilitas terhadap model ini dengan menggunakan sampel kedua juga membuktikan bahwa model MDA Altman sangat akurat. Model ini akurat untuk memprediksi 2 tahun sebelum terjadinya kebangkrutan, dan tingkat keakuratannya akan berkurang untuk periode lebih dari 2 tahun sebelum terjadinya kengangkrutan. Namun penelitian ini terbatas pada sampelnya yang hanya meliputi perusahaan manufaktur yang go publik. Penelitian model MDA selanjutnya dikembangkan oleh Altman pada tahun 1984 dengan memasukkan dimensi internasional yang merubah formulasi Z-score.
Nedzveckas, et al. (2004) menggunakan beberapa model MDA (Altman Model, Springate model) untuk memprediksi kebangkrutan pada pasar Lithuania dengan sampel 45 perusahaan manufaktur terbesar di Lithuania, hasil penelitian mengindikasikan bahwa semua model MDA tersebut tidak cocok diterapkan pada pasar Lithuania karena memberikan tingkat keakuratan yang rendah (64,6% untuk Altman Model dan 61,0% untuk Springate Model). Oleh karena itu diperlukan model yang lebih prediktif yang lebih sesuai untuk pasar Lithuania. Model MDA Altman di Indonesia antara lain dilakukan oleh Sarjono (2007) pada perusahaan properti di Indonesia, Angelina (2004) yang memprediksi kegagalan pada perbankan. menghasilkan ketepatan prediksi 89% pada satu tahun sebelum kegagalan, dan ketepatan prediksi 91% pada periode dua tahun sebelum kegagalan perusahaan.
2.1.2.2 Springate’s Model
Model ini mengikuti prosedur model Altman yang dibangun di Amerika Serikat. Springate (1978) mengunakan step-wise multiple discriminate analysis untuk memilih 4 rasio terbaik dari 19 rasio keuangan yang paling sering digunakan. 4 rasio ini merupakan rasio terbaik yang akan membedakan antara perusahaan gagal dan tidak gagal. Bentuk model Springate sebagai berikut:
Z = 1.03A + 3.07B + 0.66C + 0.4D.
Z < 0.862; perusahaan diklasifikasikan “gagal” A = Working Capital/Total Assets
B = Net Profit before Interest and Taxes/Total Assets
C = Net Profit before Taxes/Current Liabilities
D = Sales/Total Assets
Model ini memiliki tingkat keakuratan 92,5%, menggunakan sampel 40 perusahaan yang diuji dengan model Springate. Botheras (1979) menguji model Springate dengan menggunakan sampel 50 perusahaan rata-rata nilai aktiva $2.5 juta dan mendapatkan keakuratan 88%. Sands (1980) menguji model Springate pada 24 perusahaan dengan rata-rata nilai aktiva $63.4 juta dan mendapatkan tingkat akurasi 83,3%.
2.1.2.3 Datastream’s model
Variabel tersebut antaralain: X1 = measures profi tability, X2 = measures liquidity, X3 = measures gearing, X4 = measures stock turnover.
2.1.2.4 Fulmer Model
Fulmer mengunakan step-wise multiple discriminate analysis untuk mengevaluasi sampel 60 perusahaan yang terdiri dari 30 perusahaan gagal dan perusahaan sukses. Rata-rata nilai aktiva perusahaan $455,000. Bentuk model sebagai berikut: H = 5.528 (V1) + 0.212 (V2) + 0.073 (V3) + 1.270 (V4) - 0.120 (V5) + 2.335 (V6) + 0.575 (V7) + 1.083 (V8) + 0.894 (V9) - 6.075.
H < 0; perusahaan diklasifikasikan “gagal”
V1 = Retained Earning/Total Assets V2 = Sales/Total Assets
V3 = EBT/Equity
V4 = Cash Flow/Total Debt V5 = Debt/Total Assets
V6 = Current Liabilities/Total Assets V7 = Log Tangible Total Assets V8 = Working Capital/Total Debt V9 = Log EBIT/Interest
Model Fulmer menghasilkan tingkat keakuratan 98% dalam mengklasifikasikan perusahaan satu tahun sebelum kebangkrutan dan tingkat keakuratan 81 % untuk lebih dari satu tahun sebelum kebangkrutan.
2.1.2.5 CA-Score
Model ini direkomendasikan oleh Ordre des compatables agrees des Quebec
(Quebec CA's), dan telah digunakan oleh 1000 CA's di Quebec. Model dibawah
pengawasan Jean Legault of the University of Quebec at Montreal ini dibangun menggunakan step-wise multiple discriminate analysis, menguji 30 rasio keuangan, dengan sampel sebanyak 173 perusahaan manufaktur di Quebec yang memiliki annual sales berkisar antara $1 - $20 juta. Bentuk model ini sebagai berikut:
CA-Score = 4.5913 (*shareholders' investments(1)/total assets(1)) + 4.5080 (earnings before taxes and extraordinary items + financial expenses(1)/total assets(1)) + 0.3936 (sales(2)/total assets(2))- 2.7616.
CA-Score < - 0.3; perusahaan diklasifikasikan “gagal”. 1) diperoleh dari satu tahun sebelum
2) diperoleh dari dua tahun sebelum
Shareholders' investments is calculated by adding to shareholders' equity
the net debt owing to directors.
Menurut Bilanas (1987), model ini memiliki rata-rata tingkat reliabilitas 83% dan terbatas hanya untuk mengevaluasi perusahaan manufaktur.
2.1.2 Model Regresi Logistik (Logistical regression analysis)
Hair dkk. (1998) di dalam Angelina (2004) menyatakan bahwa Logit analysis
analysis sangat mirip dengan regresi linear. Berikut adalah bentuk model regresi logit: Log [Prob / (1 – Prob)] = a + b1Xi1 + b2Xi2 + … + bnXin
Dengan model regresi logistik ini , data kebangkrutan akan diolah dan selanjutnya dikategorikan menjadi perusahaan sehat dan perusahaan tidak sehat (gagal), yang diberi nilai masing-masing 0 dan 1. Data seri yang dilabel 0 dan 1 tersebut merupakan variabel Y. Variabel X sebagai penjelas merupakan suatu set yang terdiri dari X1, X2,….,Xp, yang terdiri dari rasio keuangan perusahaan.
Berg (2005) dalam penelitiannya menyatakan bahwa Ohlson (1980) adalah yang pertama menggunakan analisis logit dalam memprediksi kebangkrutan. Penelitian Ohlson menggunakan 105 perusahaan bangkrut dan 2058 perusahaan tidak bangkrut, menyatakan bahwa kemampuan prediksi dibawah penelitian sebelumnya. Platt dan Platt (2002) melakukan penelitian terhadap 24 perusahaan yang mengalami financial distress dan 62 perusahaan yang tidak mengalami
financial distress, dengan menggunakan model logit mereka berusaha untuk menentukan rasio keuangan yang paling dominan untuk memprediksi adanya financial distress. Temuan dari penelitian ini adalah:
a. Variabel EBITDA/sales, current assets/current liabilities dan cash flow growth rate memiliki hubungan negatif terhadap kemungkinan perusahaan akan mengalami financial distress. Semakin besar rasio ini maka semakin kecil kemungkinan perusahaan mengalami financial distress.
b. Variabel net fixed assets/total assets, long-term debt/equity dan notes payable/ total assets memiliki hubungan positif terhadap kemungkinan perusahaan akan mengalami financial distress. Semakin besar rasio ini maka semakin besar kemungkinan perusahaan mengalami financial distress.
2.1.3 Model Neural Network
Dalam beberapa tahun terakhir ini, model neural network mendapatkan perhatian cukup besar dalam hal prediksi kebangkrutan. Menurut Gan dkk. (2005), model ini terinspirasi oleh struktur syaraf di otak, yang direpresentasikan sebagai hubungan internal paralel yang sangat besar antara beberapa unit komputasi yang sederhana yang berinteraksi satu sama lain melalui sistem koneksi yang dibobot. Masing-masing unit komputasi (disebut juga neuron atau node), terdiri dari koneksi input yang menerima sinyal dari unit komputasi lainnya. Output dari unit komputasi ini adalah hasil dari transfer fungsi terhadap penjumlahan seluruh sinyal dari masing-masing koneksi (Xi) dikalikan nilai dari bobot koneksi antara node j dan koneksi I (Wij). Model neural network ini menggunakan variabel rasio keuangan. Penggunaan model ini biasanya dikombinasikan dengan model prediksi kebangkrutan lainnya, seperti MDA, fuzzy system, atau regresi logit.
Penelitian Hsieh et al. (2006) menggabungkan model neural network dengan model MDA. Penelitian Hsieh menggunakan neural netwok model yang dibantu oleh MDA model untuk memprediksi kebangkrutan. MDA model dalam hal ini dipakai untuk memformulasikan rasio keuangan yang akan dipakai sebagai input variabel. Penelitian Hsieh tersebut membuktikan bahwa model neural network yang dibantu oleh model MDA dapat memberikan tingkat keakuratan yang lebih tinggi dibandingkan dengan model lain yang tidak dikombinasikan dengan
neural network. Penelitian Thomaidis et al. (1998) menggunakan neural network model dikombinasikan dengan fuzzy system. Fuzzy system adalah suatu metode prediksi kebangkrutan yang menggunakan suatu paket software matematikal. Hasil penelitian Thomaidis membuktikan bahwa model ini memberikan hasil yang lebih baik dalam memprediksi kebangkrutan dibandingkan model konvensional lainnya. Altman, Marco dan Varetto (1994) dan Yang, Platt dan Platt (1999) menggunakan model neural network untuk membedakan perusahaan yang gagal dan tidak gagal.
2.1.4 Model TR (Trait Recognition)
Trait Recognition (TR) adalah istilah umum untuk proses intensif komputer yang memanfaatkan data input untuk mengembangkan fitur-fitur (atribut-atribut) yang dapat
digunakan untuk membedakan antara bermacam kelompok. Model TR merupakan pendekatan non-parametrik untuk permasalahan pilihan biner untuk masalah identifikasi bank-bank umum yang bangkrut di Indonesia. Angelina (2004) menyebutkan bahwa prosedur ini telah diterapkan pada bermacam identifikasi permasalahan dalam ilmu pengetahuan, termasuk prediksi gempa bumi (Gelfand dkk, 1972; Briggs, Press dan Guberman, 1977; dan Benavidez dan Caputo, 1988), deteksi uranium (Briggs dan Press, 1977) dan eksplorasi minyak (Bongard dkk, 1966). Namun prosedur ini masih sangat jarang digunakan dalam bidang penelitian bisnis. Angelina (2004) menggunakan model TR sebagai early warning system untuk memprediksi kebangkrutan pada perusahaan perbankan Indonesia, dan membandingkan keakuratannya dengan model prediksi kebangkrutan yang lain yaitu model regresi logit dan MDA.
Langkah-langkah TR untuk desain sistem :
1. Pengukuran terkendali karakteristik atau ciri observasi dan pengkodean informasi;
3. Pembelajaran prosedur tentang observasi sampel dimana didalamnya aturan keputusan arbitrer awalnya diterapkan dan sebuah proses berulang digunakan untuk mencapai set aturan keputusan yang memuaskan (optimal);
4. Diskriminasi observasi dalam holdout sample kedalam bermacam kelompok dengan model TR.
TR berbeda dari model EWS sebelumnya dalam dua hal. Pertama, TR mengkodekan data untuk masing-masing pengamatan dalam lajur biner berdasarkan pada distribusi pengamatan untuk variabel-variabel bebas. Kedua, TR benar-benar memanfaatkan informasi yang dikumpulkan dari eksplorasi pemanfaatan semua interaksi yang memungkinkan dari variabel-variabel bebas yang diambil satu, dua dan tiga kali sekaligus. Tiap rasio keuangan dan interaksi dari rasio-rasio ini dikenal sebagai traits, dan traits pembeda yang disebut sebagai fitur secara selektif dipertahankan untuk pengklasifikasian pengamatan berdasarkan pada prosedur voting.
Penelitian Angelina (2004) menggunakan model TR sebagai early warning system (EWS) untuk memprediksi kegagalan pada perbankan, menghasilkan ketepatan prediksi 98,651% pada satu tahun sebelum kegagalan, dan ketepatan prediksi 98,57% pada periode dua tahun sebelum kegagalan perusahaan.
II.2 Rasio-rasio keuangan yang digunakan sebagai variabel independen dalam penelitian prediksi kebangkrutan
Macfoedz (1994) menguji manfaat rasio keuangan dalam memprediksi laba perusahaan dimasa yang akan datang. Rasio keuangan yang digunakan adalah cash flows/current liabilities, net worth and total liabilities/fixed assets, gross profit/sales, operating income/sales, net income/ sales, quick assets/inventory, operating income/totalliabilities, net worth/sales, current liabilities/net worth, dan net worth/total liabilities. Penelitian Platt dan Platt (2002) menggunakan analisis regresi logit, dengan rasio keuangan perusahaan sebagai variabel independen sebagai berikut:
1. Profit margin meliputi:
a. Laba bersih dibagi penjualan (NI/S). 2. Likuiditas meliputi:
a. Aktiva lancar dibagi kewajiban lancar (CA/CL).
b. Modal kerja (aktiva lancar-kewajiban lancar) dibagi total aktiva (WC/TA). c. Aktiva lancar dibagi total aktiva (CA/TA).
d. Aktiva tetap bersih dibagi total aktiva (NFA/TA). 3. Efisiensi operasi meliputi:
a. Penjualan dibagi total aktiva (S/TA). b. Penjualan dibagi aktiva lancar (S/CA). c. Penjualan dibagi modal kerja (S/WC). 4. Profitabilitas meliputi:
a. Laba bersih dibagi total aktiva (NI/TA). b. Laba bersih dibagi ekuitas saham (NI/EQ) 5. Financial leverage meliputi:
e. Ekuitas saham dibagi total aktiva (EQ/TA). 6. Posisi kas meliputi:
a. Kas dibagi hutang lancar (CASH/CL). b. Kas dibagi total aktiva (CASG/TA). 7. Pertumbuhan meliputi:
a. Prosentase pertumbuhan penjualan (GROWTH-S).
b. Prosentase pertumbuhan laba bersih dibagi total aktiva (GROWTH NI/TA).
Rasio keuangan sebagai variabel independen dalam penelitian Brahmana (2005) yang menggunakan analisis regresi logit sebagai berikut:
1 a. Rasio keuangan yang tidak disesuaikan (X1), sesuai dengan penelitian yang dilakukan oleh Luciana Spica Almilia (2003), Lau (1987), Tirapat dan Nittayagasetwat (1999), Kahya dan Theodossiou (1996) serta Doumpos dan Zopounidis (1999) meliputi: SETA, RETA, TDTA, NITA, FATA, IS, dan LNASET.
2 b. Rasio relatif industri (X2), sesuai dengan penelitian yang dilakukan oleh Platt dan Platt (2002) meliputi: RI_SETA, RI_RETA. RI_NITA, RI_TDTA, RI_FATA, RI_IS.
Penelitian Angelina (2004) membandingkan antara model TR, regresi logit, dan MDA. Penelitian dengan sampel perusahaan perbankan tersebut menggunakan 28 rasio finansial yang biasanya dijumpai dalam penelitian kegagalan bank yang sebelumnya diperhitungkan dari laporan keuangan bank-bank. Namun dari ke-28 rasio finansial tersebut, hanya 12 rasio finansial yang dapat diperhitungkan dari laporan keuangan bank-bank umum di Indonesia. Rasio-rasio tersebut adalah sebagai berikut :
Rasio keuntungan :
1. Return on assets = Pendapatan bersih setelah pajak / Total asset 2. Return on equity = Pendapatan bersih setelah pajak / Total ekuitas 3. Profit margin = Biaya bunga / Total asset
4.Gross operating margin = (Total pendapatan operasi – Total pengeluaran operasi) / Total asset
Rasio pertumbuhan :
5. Capital Growth = (Total ekuitast – Total ekuitast-1) / Total ekuitas Rasio ukuran :
6. Assets = Total asset Rasio likuiditas :
7. Liquid assets = Total kepemilikan surat berharga / Total asset Rasio resiko pinjaman :
8. Loan exposure = Total pinjaman / Total asset 9. Loan funding = Total pinjaman / Total simpanan Rasio pajak :
10. Tax exposure = Total pajak yang dibayar / Total asset Rasio bauran deposito :
11. Demand deposit mix = Giro / Total simpanan Rasio modal :
12. Capital ratio = Total ekuitas / Total asset
Penelitian Surifah (1999), Wilopo (2001), Abdul Mongid (2002), Aryati dan Manao (2002), memprediksi kebangkrutan bank menggunakan rasio keuangan CAMEL:
a. CAR (Capital Adequancy Ratio)
b. Rasio Aktiva Tetap terhadap Modal (ATTM). c. Rasio Aktiva Produktif Bermasalah (APB). d. NPL (Non Performing Loan).
e. Rasio PPAPAP (Penyisihan Penghapusan Aktiva Produktif terhadap Aktiva Produktif).
f. Rasio pemenuhan PPAP. g. ROA (Return on Assets). h. ROE (Return on Equity). i. NIM (Net Interest Margin).
j. BOPO (Rasio Biaya Operasional terhadap Pendapatan Operasional). k. LDR (Loan to Deposit Ratio).
(Sumber: SE BI No 3/30DPNP tgl 14 Desember 2001 dalam Luciana, 2005). II.3 Keunggulan dan Kelemahan Masing-masing Model
Hekanaho et al. (1998) melakukan penelitian untuk membandingkan metode logit analysis,
neural network, dan DOGMA untuk memprediksikan kebangkrutan. Hasil penelitian ini menunjukkan penggunaan logit analysis memberikan hasil prediksi dengan tingkat keakuratan paling tinggi untuk jumlah sampel terkecil, yaitu 100 perusahaan. Sedangkan neural network
paling cocok digunakan untuk jumlah sampel terbesar.
Angelina (2004) menyatakan bahwa teknik statistik yang paling sering digunakan untuk menganalisis kebangkrutan bank adalah analisis logit dan MDA. Analisis logit memperlihatkan hasil yang lebih baik bila dibandingkan dengan MDA apabila digunakan untuk tujuan estimasi parameter. Walaupun demikian, untuk asumsi distribusi tertentu, kedua prosedur tersebut menghasilkan estimasi yang konsisten; dan estimasi yang menggunakan MDA lebih efisien (Andrew, 1986, dalam Angelina, 2004). Demikian juga halnya penelitian oleh Espahbodi (1991) dalam Angelina (2004) telah menunjukkan bahwa model logit cenderung untuk mengalahkan model multiple discriminant (MDA) sebagai EWS (Early Warning System) di perbankan.
Selain dapat memprediksi kebangkrutan perusahaan manufaktur secara tepat 2 tahun sebelum terjadinya kebangkrutan yang sebenarnya, Z-score juga dapat digunakan untuk:
1. Memeriksa kembali calon perusahaan yang akan diakuisisi oleh pemasok dan perusahaan lain untuk mendeteksi masalah keuangan yang timbul dari perusahaan-perusahaan tersebut yang kemungkinan akan mempengaruhi bisnis perusahaan kita.
2. Mengukur tingkat kesehatan keuangan suatu perusahaan melalui informasi yang diperoleh dari laporan keuangan.
Penelitian Angelina (2004) membuktikan bahwa model TR (Trait Recognition) memiliki akurasi prediksi yang paling tinggi, dibandingkan model MDA dan model logit. Hasil penelitian ini konsisten dengan penelitian terdahulu. Selain itu, model TR tidak hanya dapat digunakan untuk memprediksi tingkat kegagalan bank, tapi juga dapat mengetahui dengan tepat bank-bank mana saja yang akan mengalami kegagalan. Hal ini tidak bisa dilakukan dengan model logit maupun
MDA. Kelemahan model TR adalah program dibuat menggunakan bahasa Fortran yang tidak terlalu lazim digunakan, sehingga tidak user friendly. Bahasa ini digunakan karena merupakan bahasa pemrograman tingkat tinggi yang sangat rinci, sehingga keakuratan perhitungannya sangat tinggi.
Altman, Marco dan Varetto (1994) dan Yang, Platt dan Platt (1999) di dalam Almilia dan Kristiaji (2003) menggunakan model neural network untuk membedakan perusahaan yang gagal dan tidak gagal. Pengguna dari model ini termasuk kreditur, suplier yang berfokus pada
repayment dan investor potensial. Model ini memberikan keuntungan untuk berbagai macam
aplikasi seperti: pemilihan portfolio (Platt dan Platt, 1991), penilaian kredit (Altman dan Haldeman, 1995), perubahan manajemen (Platt dan Platt, 2000). Berg (2005) menyatakan bahwa model neural network memiliki keunggulan dan menjadi suatu alternatif model yang bisa diterapkan karena kemampuan model ini yang dapat menggabungkan sejumlah besar features
dalam suatu adaptive linear model.
III. KESIMPULAN
1. Teknik analisis dalam prediksi kebangkrutan perusahaan dapat dikelompokkan menjadi 2, yaitu: (1) teknik analisis statistik, misalnya regresi linier, regresi logit, analisis diskriminan, (2) teknik analisis berbasis komputer, misalnya neural network, trait recognicion, fuzzy system, dan lain-lain.
2. Dalam memprediksi kebangkrutan, peneliti menggunakan salah satu model prediksi untuk membuktikan tingkat keakuratannya sebagai alat prediksi kebangkrutan perusahaan. Sebagian peneliti membandingkan keakuratan prediksi antara suatu model analisis dengan model analisis lainnya. Ada pula peneliti yang menggabungkan beberapa teknik atau model prediksi kebangkrutan. Dengan menggabungkan beberapa model diharapkan dapat mengambil berbagai keunggulan yang ada dan mengatasi kelemahan yang ada pada suatu model, sehingga dapat menghasilkan tingkat ketepatan prediksi yang lebih tinggi atau dapat memprediksi kebangkrutan perusahaan dengan lebih akurat.
4. Dari berbagai penelitian yang telah dilakukan dalam prediksi kebangkrutan perusahaan, belum dapat diambil kesimpulan bahwa terdapat suatu teknik atau model prediksi kebangkrutan yang terbaik diantara model prediksi lainnya. Hal ini disebabkan: (1) setiap model memiliki keunggulan dan kelemahan masing-masing, (2) perbedaan kharakteristik sampel perusahaan (jenis perusahaan, besarnya perusahaan) juga akan mempengaruhi pilihan model prediksi yang akan digunakan, (3) rasio keuangan perusahaan sebagai variabel independen yang digunakan dalam analisis prediksi kebangkrutan sangat banyak macamnya dan kharakteristiknya-pun berbeda antara suatu negara dengan negara yang lain.
5. Tidak ada suatu model prediksi kebangkrutan yang tepat untuk digunakan sebagai alat prediksi kebangkrutan pada semua kondisi. Oleh karena itu diperlukan pilihan model prediksi yang tepat berdasarkan jenis dan besarnya sampel, dan rasio keuangan yang sesuai agar dapat memprediksi kebangkrutan dengan tepat dan akurat.
6. Penelitian prediksi kebangkrutan di Indonesia sebaiknya dikembangkan lebih lanjut untuk menemukan model dan formula prediksi yang tepat berdasarkan kharakteristik perusahaan di Indonesia.
DAFTAR PUSTAKA
Altman, E. 1968. “Financial Ratio Discriminant Analysis and The Prediction of Corporate Bankruptcy”. Journal of Finance, Vol XXIII, No.4, Sept, 1968. pp. 589–610
Altman, Edward I. 1983. Corporate Financial Distress: A Complete Guide to Predicting, Avoiding, and Dealing With Bancruptcy, USA: John Willey & Sons.
Altman E. I., Narayanan P. 1997, An international survey of business failure classifi cation models, „Financial Markets, Institutions & Instruments”, Vol. 6, No. 2, pp. 57. ________ . 1984. " The Success of Business Failure Prediction Models: An International
Survey". Journal Banking and Finance (June): 171-198.
Almilia dan Kristiaji. 2003. “Analisis Rasio Keuangan untuk Memprediksi Kondisi Financial Distress Perushaan Manufaktur yang Terdaftar di Bursa Efek Jakarta”, Jurnal Akuntansi dan Auditing (JAAI) Vol.7 No.2 Desember 2003.
Almilia dan Herdiningtyas. 2005. Analisis Rasio CAMEL terhadap prediksi kondisi bermasalakah pada lembaga perbanka periode 2000-2002. Jurnal Akuntansi dan Keuangan, Vol 7, No. 2, Nopember 2005
Angelina, Liza. 2004. Perbandingan Early Warning Systems (EWS) Untuk Memprediksi Kebangkrutan Bank Umum di Indonesia. Buletin Ekonomi Moneter dan Perbankan, Desember 2004.
Beaver, W.1966. “Financial Ratios as Predictors of Failure, Empirical Research in Accounting: Selected Studies”, Supplement, Vol. 5, Journal of Accounting Research.
Belkaoui, Ahmed. 1998. Accounting Theory. Penerjemah Marwata, dkk.. Salemba Empat, Jakarta.
Berg, Daniel. 2005. Bankruptcy Prediction by Generalized Additive Models. Statistical Research Report No. 1, January 2005. Department of Mathematics,University of Oslo, Norway. Bernhardsen, Eivind. 2001. A Model of Bankruptcy Prediction. Working Paper Financial
Analysis and Structure Department.Oslo, December 5, 2001.
Brahmana, Rayenda K. 2005. Identifying Financial Distress Condition in Indonesia.
Birmingham Business School, University of Birmingham United Kingdom
Chihli Hung, JingHongChen, Stefan Wermter. 2006. Hybrid Probability Based Ensambles For Bankruptcy Prediction . Hybrid Probability Based Ensembles For Bankruptcy Prediction. Department of Management Information Systems, Chung Yuan Christian
University,Taiwan ROC, School of Computing and Technology, University of Sunderland, UK
Christopher Gan, Visit Limsombunchai, Mike Clemes and Amy Weng. 2005. Consumer Choice Prediction: Artificial Neural Networks versus Logistic Models. Journal of Social
Sciences 1 (4): 211-219, 2005.
Dajan, Anto. 1996. Pengantar Metode Statistik. Edisi kesebelas. LP3ES, Jakarta. IAI. 1999. Standar Akuntansi Keuangan, Salemba Empat, Jakarta.
Foster, G . 1986. Financial Statement Analysis, 2nd ediation, USA: Prentice Hall Int. Inc.
Ghozali, Imam. 2002. Aplikasi Analisis Multivariate dengan Program SPSS. Badan Penerbit Universitas Diponegoro Semarang.
Letza S.R., Kalupa L., Kowalski T. 2003. Predicting corporate failure: How useful are multi-discriminant analysis models?, Vol. 3, No.2, 2003.
Luciana, S.A, Emanuel,K.. 2003. “Analisis Rasio Keuangan untuk Memprediksi Kondisi Financial Distress Perushaan Manufaktur yang Terdaftar di Bursa Efek Jakarta”, Jurnal Akuntansi dan Auditing (JAAI) Vol.7 No.2 Desember 2003.
Machfoedz, M. 1994. “The Usefulness of Financial Ratio in Indonesia”. Jurnal KELOLA. September: 94-110.
Mongid. 2000. “Accounting Data and bank Failiure”, Seminar Nasional Akuntansi, Jakarta. Montgomery H., Hanh T.B., Santoso W., Besar D. Coordinate Failure? A Cross-Country Bank
Failure Prediction Model. ADB Institute Discussion Paper No. 32.
Muliaman D. Hadad, Wimboh Santoso, Sarwedi. 2004. Model Prediksi Kepailitan Bank Umum di Indonesia. Research Paper. Direktorat Penelitian dan Pengaturan Perbankan. www. BI.go.id.
Niswonger, Fess, Warren. 1993. Prinsip-prinsip Akuntansi, Jilid 1, Erlangga, Jakarta.
Nedzveckas J., Jurkevicius E., Rasimavicius G. 2004. Testing of Bancruptcy Prediction Methodologies for Lithuanian Market.
O. Purvinis, R., Virbickait˙e, P. ˇSukys. Klaip˙edos str, Panev˙eˇzys. 2008. Interpretable Nonlinear Model for Enterprise Bankruptcy Prediction. Nonlinear Analysis: Modelling and Control, 2008, Vol. 13, No. 1, 61–70
Ohlson, J.A.1980. “Financial Ratios and The Prediction of Corporate Bankcruptcy” , Journal of Accounting Research, Spring.
Platt, H., dan M. B. Platt. 2002. "Predicting Financial Distress". Journal of Financial Service Professionals, 56: 12-15.
Sarjono, Haryadi. 2007. Analisis Laporan Keuangan sebagai Alat Prediksi Kebangkrutan dengan Model Diskriminan Altman pada Sepuluh Perusahaan Properti di Bursa Efek Jakarta.
Sutanto, Singgih.1999, SPSS: Mengolah Data Statistik secara Profesional, PT Elex Medis Komputindo, Jakarta.
Wen-Kuei Hsieh, Shang-Ming Liu, Sung-Yi Hsieh. Hybrid Neural Network Bankruptcy Prediction: An Integration of Financial Ratios, Intellectual Capital Ratios, MDA, and Neural Network Learning. Department of Finance, De Lin Institute of Technology, Taipei 236, Taiwan.
Whitaker, R. B. 1999. "The Early Stages of Financial Distress". Journal of Economics and Finance, 23: 123-133.
